Gaussian Objek Model
Gaussian Objek Model
ABSTRAK: Saat ini, aplikasi motion tracking digunakan secara luas untuk banyak tujuan, seperti
mendeteksi kemacetan dan menghitung berapa banyak orang yang masuk ke sebuah supermarket atau
sebuah mall. Sebuah metode untuk memisahkan antara background dan obyek yang di-track dibutuhkan
untuk melakukan motion tracking. Membuat aplikasi tracking pada background yang statis bukanlah hal
yang sulit, namun apabila tracking dilakukan pada background yang tidak statis akan lebih sulit, dikarenakan
perubahan background dapat dikenali sebagai area tracking. Untuk mengatasi masalah tersebut, dapat dibuat
suatu aplikasi untuk memisahkan background dimana aplikasi tersebut dapat beradaptasi terhadap perubahan
yang terjadi. Aplikasi ini dibuat untuk memisahkan background dengan menggunakan metode Gaussian
Mixture Models (GMM). Metode GMM melakukan cluster data piksel dengan menggunakan warna
background tiap piksel sebagai dasarnya. Setelah cluster dibentuk, dilakukan pencocokan input sebagai
distribusi, dimana distribusi yang dominan dijadikan sebagai background. Aplikasi ini dibuat dengan
menggunakan Microsoft Visual C++ 6.0. Hasil dari penelitian ini menunjukkan bahwa algoritma GMM
dapat beradaptasi terhadap background. Hal ini dibuktikan dengan hasil pengujian yang sukses terhadap
semua kondisi yang diberikan. Aplikasi ini dapat dikembangkan lebih lanjut supaya proses tracking dapat
terintegrasi dengan background yang adaptive.
ABSTRACT: Nowadays, motion tracking application is widely used for many purposes, such as detecting
traffic jam and counting how many people enter a supermarket or a mall. A method to separate background
and the tracked object is required for motion tracking. It will not be hard to develop the application if the
tracking is performed on a static background, but it will be difficult if the tracked object is at a place with a
non-static background, because the changing part of the background can be recognized as a tracking area. In
order to handle the problem an application can be made to separate background where that separation can
adapt to change that occur. This application is made to produce adaptive background using Gaussian Mixture
Models (GMM) as its method. GMM method clustered the input pixel data with pixel color value as it’s
basic. After the cluster formed, dominant distributions are choosen as background distributions. This
application is made by using Microsoft Visual C++ 6.0. The result of this research shows that GMM
algorithm could made adaptive background satisfactory. This proofed by the result of the tests that succeed at
all condition given. This application can be developed so the tracking process integrated in adaptive
background maker process.
Keywords: adaptive, background , Gaussian Mixture Models (GMM)
68
Rostianingsih, Adaptive Background dengan Metode Gaussian Mixture Models 69
berjalan dengan baik jika diberi input yang memiliki USB (webcam) dengan frame rate sekitar 10-20
banyak obyek bergerak. Untuk menutupi kekurangan frame/second, sehingga dibutuhkan metode yang
ini terdapat metode adaptive background mixture cukup efisien dan cepat karena proses dilakukan pada
models yang menggunakan Gaussian Mixture Mo- tiap frame yang masuk. Karena tiap detik terdapat 10-
dels. Pada penelitian ini dibuat perangkat lunak untuk 20 frame yang diolah, maka Metode clustering yang
menghasilkan adaptive background dengan meng- digunakan pada kasus ini adalah K-means karena
gunakan metode Gaussian Mixture Models. Peru- metode ini memiliki kecepatan proses yang lebih
musan masalah yang dihadapi adalah bagaimana cepat dan hasil yang cukup baik.
menghasilkan suatu adaptive background yang stabil
terhadap perubahan cahaya dan perubahan scene GAUSSIAN MIXTURE MODEL (GMM)
jangka panjang dan bagaimana pengolahan input yang
berasal dari webcam. Untuk proses Gaussian Mixture Gaussian Mixture Model (GMM) adalah sebuah
Models ini umumnya metode clustering yang tipe density model yang terdiri dari komponen fungsi-
digunakan adalah Expectation Maximization dan K- fungsi Gaussian [2]. Komponen fungsi ini terdiri dari
means. Metode clustering yang digunakan pada kasus weight yang berbeda untuk menghasilkan multi-model
ini adalah K-means karena metode ini memiliki density. Pada penelitian ini GMM digunakan untuk
kecepatan proses yang lebih cepat dan hasil yang memodelkan warna-warna background dari tiap
cukup baik. piksel.
Tiap piksel memiliki GMM-nya sendiri dan data
ADAPTIVE BACKGROUND yang diolah adalah warna piksel yang didapat dari
input. Model-model GMM terbentuk dari data warna
Sebuah background adalah suatu gambar yang di piksel berdasarkan waktu. Model yang terbentuk
dalamnya terdapat obyek-obyek yang tidak bergerak dibagi menjadi 2 bagian, model background dan
(obyek static). Suatu gambar yang berisi obyek yang model non-background. Model background adalah
bergerak disebut foreground. Pada aplikasi-aplikasi model yang mencerminkan background.
yang membutuhkan input berupa background untuk Jumlah model GMM yang digunakan mem-
memisahkan antara background dan foreground pengaruhi jumlah model background. Semakin besar
dibutuhkan suatu inisialisasi ulang apabila terdapat jumlah model GMM yang dipakai semakin banyak
perubahan pada background. Bila tidak dilakukan model background yang dimiliki oleh suatu piksel.
inisialisasi ulang, mengakibatkan kesalahan pada Terdapat beberapa tahap proses untuk metode ini
foreground yang dihasilkan. Perubahan-perubahan yaitu tahap pencocokan input terhadap distribusi dan
yang mungkin terjadi pada background adalah tahap pemilihan distribusi yang mencerminkan
perubahan intensitas cahaya dari siang hari ke sore background. Di dalam tahap pencocokan terdapat
hari, perubahan bayangan benda yang terdapat pada tahap update parameter.
background yang diakibatkan oleh perubahan posisi
matahari, perubahan posisi benda pada background, Tahap Pencocokan Input terhadap Distribusi
penambahan benda dalam background, dan sebagai-
nya. Untuk mengurangi kesalahan yang terjadi karena Pada tahap ini input dicocokkan dengan semua
perubahan background maka diperlukan suatu adap- distribusi sampai ditemukan distribusi yang paling
tive background yaitu background yang dapat cocok. Suatu piksel dikatakan masuk dalam suatu
menyesuaikan dengan perubahan-perubahan yang distribusi jika nilai piksel tersebut masuk dalam jarak
terjadi pada background. 2.5 standar deviasi dari sebuah distribusi.
Metode adaptive background yang umum adalah μ k − 2 .5 * σ k < X t < μ k + 2 .5 * σ k (1)
merata-rata gabungan nilai piksel dari semua input
yang berurutan [1]. Namun metode ini tidak dapat dimana Xt adalah vector dari warna piksel (R,G,B) [3]
berjalan dengan baik jika diberi input yang memiliki pada waktu t, μk adalah vector nilai mean (R,G,B)
banyak obyek bergerak. Untuk menutupi kekurangan dari Gaussian ke kth, dan σ k sebagai standar deviasi
ini terdapat metode adaptive background mixture dari Gaussian ke kth [4]. Apabila piksel tidak cocok
models yang menggunakan Gaussian Mixture dengan semua distribusi yang ada maka piksel
Models. tersebut dianggap sebagai foreground dan dibuat suatu
Untuk proses Gaussian Mixture Models ini distribusi baru dengan menggantikan distribusi yang
umumnya metode clustering yang digunakan adalah paling tidak mencerminkan background. Distribusi
Expectation Maximization dan K-means. Dalam baru memiliki nilai mean sesuai dengan nilai piksel,
penelitian ini, sebagai alat bantu input dipakai kamera nilai varians yang tinggi, dan nilai weight yang kecil.
70 JURNAL INFORMATIKA VOL. 9, NO. 1, MEI 2008: 68 - 77
Nilai awal yang diberikan pada variabel tersebut berdasarkan ω/σ2 sehingga distribusi yang paling
sangat mempengaruhi performa dari algoritma GMM. mencerminkan background tetap di atas dan yang
tidak mencerminkan background ada di bawah yang
Tahap Update Parameter nantinya digantikan oleh distribusi yang lain. Untuk
memilih B distribusi pertama yang dijadikan distribusi
Pada tahap ini dilakukan update terhadap nilai background digunakan rumus:
dari parameter-parameter GMM yang nantinya b
digunakan untuk mengolah input selanjutnya. Nilai B = arg min ( ∑ ω k > T )
yang di-update terdiri dari weight, mean, dan varian. b
k =1 (8)
Nilai weight di-update tiap waktu. Untuk meng-
update nilai weight digunakan rumus [1]: dimana T adalah proporsi terkecil dari data yang
sebaiknya dihitung sebagai background [1].
ω k ,t = (1 − α )ω k ,t −1 + α ( M k ,t )
(2)
PENELITIAN
th
dimana ωk,t adalah weight dari Gaussian ke k pada
waktu t, α adalah learning rate dan nilai Mk,t adalah 1 Perencanaan sistem aplikasi pembuatan adaptive
untuk model yang cocok dan 0 untuk model lainnya. background menggunakan metode GMM terdiri dari
Setelah nilai weight di-update dilakukan normalisasi beberapa bagian yang meliputi:
sehingga total weight dari semua distribusi tidak lebih • Perencanaan sistem input
dari 1. Pengambilan input hanya dapat dilakukan bila
Nilai mean dari suatu distribusi di-update setiap terdapat kamera yang terhubung dengan perangkat
ada nilai piksel yang cocok dengan distribusi tersebut. lunak. Perangkat lunak mengambil gambar yang
Untuk meng-update nilai mean digunakan rumus [1]: ditangkap oleh kamera dan menyimpannya dalam
μ t = (1 − ρ ) μ t −1 + ρ X t (3)
sebuah class CImage yang tersedia dalam library
Highgui [5] untuk selanjutnya dilakukan proses
dimana
pada gambar tersebut. Berhubung perangkat lunak
ρ = αη ( X t μ k , ∑ k ) berjalan secara real-time maka diperlukan sebuah
(4)
dimana η adalah fungsi Gaussian Probability Density kamera (webcam) untuk pengambilan data gambar
(GPD) [6]. Jadi bila tidak terdapat kamera yang terhubung
1 dengan perangkat lunak maka tidak terdapat
1 − ( X −μ )T ∑−1( X −μ )
η( X | μ, ∑) = e 2 pengambilan data gambar sama sekali. Setelah
(2π )2 ∑ 2
1
n data gambar didapatkan dan disimpan maka data
(5) gambar tersebut ditampilkan.
dimana ∑ adalah covariance matrix, | ∑ | adalah • Perencanaan sistem pencocokkan terhadap distri-
determinant dari covariance, pangkat T adalah busi
transpose matrix, pangkat -1 adalah invers matrix, e Input yang masuk dicocokkan dengan semua
adalah exponen, π adalah phi, dan n adalah ukuran distribusi yang ada sampai ditemukan distribusi
vector X (R,G,B) dimana covariance didapat dari [1]: yang cocok atau semua distribusi sudah dicocok-
I
untuk menambah intensitas cahaya digunakan cahaya bayangan, hal ini dikarenakan bayangan hanya
dari lampu senter yang dinyalakan dan diarahkan ke memberikan perubahan sedikit pada intensitas cahaya
tempat DVD yang berada pada daerah kiri. Pada sehingga background dapat beradaptasi dengan sangat
Gambar 11, Gambar 12, dan Gambar 13 dapat dilihat cepat
bahwa background dapat beradaptasi dengan baik
terhadap penambahan intensitas cahaya yang dilaku- Pengujian dengan Memberi Foreground
kan dengan lampu senter. Foreground yang dihasil-
kan pada Gambar 6 diakibatkan karena penambahan Pengujian dilakukan dengan memberikan fore-
intensitas cahaya pada piksel-piksel tertentu meng- ground pada input. Foreground yang diberikan adalah
akibatkan warna dari piksel tersebut keluar dari obyek berupa map yang dimasukkan pada layar input.
distribusi background sehingga dianggap sebagai Obyek ditempatkan pada background yang memiliki
foreground. warna yang mirip.
Pada Gambar 17, Gambar 18, dan Gambar 19
Pengujian dengan Memberi Bayangan pada dapat dilihat bahwa foreground yang dihasilkan tidak
Background terlalu baik, hal ini disebabkan obyek yang dilewati
Pengujian dilakukan dengan memberi bayangan oleh foreground memiliki warna yang mirip yaitu
pada background. Pada Gambar 14, Gambar 15, dan warna biru. Sehingga piksel-piksel dimana terdapat
Gambar 16 dapat dilihat background beradaptasi obyek tersebut tidak masuk sebagai foreground
dalam waktu kurang lebih 1 detik dari saat munculnya melainkan masuk pada distribusi background.
Rostianingsih, Adaptive Background dengan Metode Gaussian Mixture Models 77